用 AI 打造「自己的健康資料分析系統」：我實際在跑的一套流程
前言：我現在運動時會直接語音問 AI
「我現在應該做什麼運動？」
AI 會根據我過去 7 年的健康數據、最近的健檢報告、目前的用藥狀況，給我一個具體的建議——不是泛泛而談的「每週運動 150 分鐘」，而是「你血壓最近反彈，心肺耐力下降，建議先從快走開始，每次 30 分鐘，避免高強度間歇，等血壓穩定後再加強度」。
這才是我要的——基於我自己完整資料的個人化建議，不是網路上那種一體適用的健康雞湯。
但一般的健康 App 做不到這件事。
Apple Watch 每天記錄心率、睡眠、步數。體重計每天量體重。健檢報告每年拿到。然後呢？這些資料散落在不同的 App 裡，彼此不通，最後就是一堆數字，沒有人真的在看。
這篇要講的，是我怎麼用一套我稱為「零整合架構」的方法，把這些散落的資料收起來、交給 AI 分析，變成每天真的在用的小工具。
一句話流程版：
裝置／報告 → 截圖或匯出 → 丟給 AI → 表格 + Markdown → 日常對話
一、資料來源：最大化 IoT，但不被生態系綁死
AI 做健康是一個大家都想做的賽道。因為很多錢，而且大家都很在意健康。醫療機構、數位大廠、IoT 設備商都想插進來。
但大家都想做，就代表一件事：永遠不可能整合起來。
每個玩家都想當平台，都想把資料鎖在自己的生態系裡。所以你會發現：小米的體重計不能完整進 Apple 健康、Garmin 的資料不能進 Google Fit、醫院的健檢報告還是 PDF 或紙本。
這就是為什麼我的策略是「不追求整合」——因為等整合，你會等到死。
這個想法其實來自我之前在艾立運能做 AI 數位回單 的經驗。當時物流業的回單資料也是一樣的問題：紙本掃描、Excel、ERP 截圖、司機手機拍的照片，格式五花八門，系統之間完全無法整合。傳統做法是花半年串 API、統一格式，但等你整合完，業務需求早就變了。後來我們換了一個思路：不整合，直接讓 AI 把各種格式「讀懂」，抽取關鍵數字，輸出成統一格式。一個多月就上線，還拿到 2024 年未來商務展的管理獎。
健康資料的情況跟那時候一模一樣，所以我直接套用同樣的策略。而且我有兩個很實際的目標：
- 不想花錢在整合 App 上 — 市面上一堆「健康數據整合」的 App 都要訂閱費，而且資料還是鎖在它們的平台裡
- 設備想買便宜的就買便宜的 — 能完整進 Apple 健康的設備都很貴，但小米、其他品牌的體重計、血壓計功能一樣，價格差好幾倍
這套「零整合」做法讓我可以自由選擇設備，哪裡便宜哪裡買，反正最後都是截圖丟給 AI。
我日常的健康資料，主要來自三個層次。
1️⃣ Apple 生態系（自動同步）
- Apple Watch： 心率、HRV、活動量、睡眠
- iPhone： 步行穩定度、移動距離、手動輸入的資料
- AirPods Pro： 聽力、環境音量
這些資料都會自然匯進 Apple 健康，是整個系統的「主資料池」。
優點是完全不用管，戴著就會記錄。
2️⃣ 非 Apple 裝置（無法整合？那就截圖）
像是小米體重計、體脂計、跑步機，幾乎都不能完整進 Apple 健康。即使有部分資料可以同步，也常常掉資料或格式不對。
但這些裝置一定有自己的 App。
我的做法很簡單：
App 截圖 → 丟給 AI 解析
不整合、不串 API、不折磨自己。
AI 現在的視覺理解能力已經很強了。截一張體重計的畫面，丟給 Claude 或 GPT-4，它直接告訴你「體重 84.1kg、體脂 23.5%、內臟脂肪 12」。
比你研究怎麼串 API 快 100 倍。
3️⃣ 醫療與就醫資料（完全非結構化）
- 健檢報告（每一頁拍照）
- 就醫單據
- 藥品、處方、平常服用的藥
這些是「最重要、但最亂」的資料來源。
健檢報告 PDF 格式各家醫院不同，有些甚至是手寫。就醫單據更慘，各種格式都有。
但這些才是真正影響健康的關鍵資料。
二、資料抽取：我怎麼把一堆圖片變成 AI 可用資料
AppleScript + Claude Code
我做了一件很工程師的事：
健檢報告 / 就醫單據 / 藥品照片，通常會拍完丟進 Apple Photos。
問題是：怎麼把它們批次抓出來？
我用 AppleScript 從 Apple Photos 抓：
- 指定相簿（例如「健康資料」）
- 指定時間區間（例如「2025 全年」）
- 自動輸出成一個資料夾
然後整個資料夾丟給 Claude Code。
重點不是 Script 多漂亮，重點是：圖片變成 AI 的輸入。
Claude Code 可以一次讀取資料夾裡所有圖片，然後你說「幫我把這些健檢報告整理成表格」，它就會：
- 辨識每張圖片的內容
- 抽取數值（血壓、血糖、膽固醇…）
- 整理成結構化的表格
如果你不是工程師，重點只有一個：
把照片跟檔案一次丟給 AI，它可以自己整理。
AppleScript 只是讓我少做重複勞動，不用一張一張手動拖。你直接手動拖進去也行，效果一樣。
這個過程以前要自己 key 資料，現在 AI 幾分鐘搞定。(你沒看錯，相簿太大要幾分鐘 XD)
三、Apple 健康資料：我刻意不用付費同步 App
市面上有很多付費 App 可以每天自動把 Apple 健康同步成 CSV / Excel。
但我刻意不用。
理由是：
- 我不需要即時 — 我不是要做即時監控，是要做長期趨勢分析
- 我需要完整歷史 — 這些 App 通常有資料保留限制，或是換 App 就要重來
- 我需要可重跑分析 — 原始資料在手上，隨時可以用不同的 prompt 重新分析
我的做法是：
- Apple 健康 → 匯出所有歷史資料（設定 → 健康 → 匯出健康資料）
- 會得到一個 ZIP
- 解開後是一個 XML（我的是 1.8GB，包含 7 年資料、422 萬筆記錄）
- 丟到電腦
- 跟圖片一起交給 AI
這個 XML 包含了你所有的健康資料：心率、步數、睡眠、血壓、體重… 全部都在裡面。
但有一個我發現的 Apple 的大坑：Apple Watch 的運動紀錄不會完整進到健康 App。
健康 App 裡只有步數、心率這些基礎數據，但「今天跑了 5 公里、配速多少、心率區間分佈」這些運動細節，只存在體能訓練 App 裡。
我研究了一下怎麼匯出，發現超麻煩，最後直接放棄——反正截圖丟給 AI 更快。
這也是「零整合」思路的延伸：不是每個資料都值得花時間整合，有時候截圖就是最務實的解法。其實我當初會放棄蘋果系付錢的數據整合、改用截圖，就是因為發現運動紀錄居然不在健康 App 裡——這真的太扯了，連自家的資料都不整合，我還期待什麼？
四、AI 分析：我怎麼用「假醫生」幫我看資料
資料齊了之後，我會請 AI 扮演醫生角色，做三件事：
1. 健康趨勢判讀 + 結合用藥紀錄
把健檢報告、用藥紀錄、就醫紀錄放在一起看，AI 可以幫你串起來：
「你 12 月血壓反彈，但根據你的用藥紀錄，藥物組合沒有改變。可能的原因是：運動減少、鹽分增加、冬季血壓本來就會偏高。建議先從快走開始，每次 30 分鐘，避免高強度間歇，等血壓穩定後再加強度。」
2. 指出異常與風險變化
這是最有價值的部分。AI 可以幫你看出你自己不會注意到的趨勢：
「你的 VO2 Max 從 28 下降到 24.5，這是心肺耐力下降的訊號。雖然還在正常範圍內，但趨勢不好。」
五、輸出格式：不是給 AI 看，是給「我自己未來用」
Excel（結構化）
AI 分析完之後，我會請它輸出成 Excel：
- 每個指標一個 sheet
- 包含日期、數值、異常標記
- 可以做圖表、做趨勢線
然後丟到 Google 試算表，當長期備份與趨勢觀察。
Markdown（給 AI 與我自己）
另外一份輸出是 Markdown 格式的摘要：
- 目前健康狀態評估
- 主要風險點
- 建議的行動項目
這份 Markdown 我會丟回 ChatGPT 或 Claude，也會上 private github XD ，變成「我的健康上下文」。
之後問任何問題都能直接接續，不用重新解釋「我血壓多少、吃什麼藥」。
六、日常使用：我真的「邊運動邊跟 AI 聊健康」
這整套系統最後不是放著好看，而是真的在用。之前我寫過用 Vibe Duo AI 增加生產力，運動時聽 Podcast 或跟 AI 對話已經變成我的習慣。
運動時我會用語音問：
- 「我今天的運動方式對我的健康狀況(我的毛病1, 我的毛病2, 我的毛病3)好嗎？」
這個問題看起來簡單，但其實橫跨了三個完全不同的數據來源：運動紀錄（體能訓練 App）和健康紀錄（健康 App / 手動輸入），健康檢查資料。傳統做法要自己串起來看，但 AI 可以直接幫你對照分析。AI 是基於我自己的歷史資料回答，不是泛泛而談。
這才是我心中最棒的 AI 健康助手。
七: 語音助手的選擇
我當初選擇時，本來想用 Gemini ，後來發現 Gemini 每一次 Live 語音會一直提醒「我不是醫生，以上不是醫療建議….」。連問個「黑木耳有什麼營養」都要跳這段，真的太扯了。
所以我會改用 ChatGPT 語音模式，不會那麼煩。 我把它當作：一個永遠不累、會看大量資料的健康助理。
七、為什麼我說這套方法的最大優點是「零整合」
總結一下這套流程的本質：
- ❌ 不追求完美整合
- ❌ 不被單一生態系綁死
- ❌ 不依賴廠商 API
我只做三件事：
- 所有資料 → 圖片 / 原始檔
- 所有圖片 → AI
- AI → 結構化 + 可對話
這讓我可以：
- 隨時換設備 — 今天用小米體重計，明天換 Garmin，完全沒差
- 隨時換 AI — 今天用 Claude，明天用 GPT-5，資料格式不變
- 不用重來一套系統 — 原始資料永遠在手上
八、這套流程的侷限與建議
什麼時候適合用這套方法？
- ✅ 你已經有一堆健康資料散落在各處
- ✅ 你想做長期趨勢分析，不是即時監控
- ✅ 你願意花一點時間設定（一次性）
什麼時候不適合？
- ❌ 你需要即時告警（例如心律不整監測）— 這種場景更適合用 AI Agent 架構
- ❌ 你完全不想碰技術細節
- ❌ 你的資料量很小（只有幾個月的資料）
我的建議
如果你有類似需求，可以從最簡單的開始：
- 先匯出 Apple 健康資料 — 不用寫任何程式，設定裡就能匯出
- 把健檢報告拍照丟給 AI — 先試試看 AI 能不能正確解讀
- 累積一段時間後再做整合分析 — 資料量夠才有趨勢可看
不要一開始就想做完美的自動化。先跑起來，再慢慢優化。
結語
健康資料管理這件事，我覺得最大的迷思是「等有完美的解決方案再開始」。
市面上確實有很多健康管理 App，但它們都有各自的限制：資料鎖在平台裡、不能跨裝置、分析功能有限。
我的做法很土炮，但很實用：
把所有東西變成 AI 能讀的格式，剩下的事情讓 AI 去煩惱。
這套方法不完美，但它在跑。而且每次我運動時跟 AI 聊健康，它都能給我基於我自己資料的具體建議。
這比任何 App 的「一般性建議」都有用。
常見問題 Q&A
Q: 把健康資料丟給 AI，隱私怎麼辦？
我目前是用本地執行的方式（Claude Code 在本機跑），資料不上傳。如果你用雲端 AI，確實要考慮隱私問題。建議把敏感資訊（姓名、身份證號）先遮掉。
Q: Apple 健康匯出的 XML 很大，AI 能處理嗎？
Claude Code 可以處理大檔案。我的 XML 是 1.8GB，它會自動 parse 然後做分析。如果用網頁版的 AI，可能要先做前處理。
Q: 這套方法需要會寫程式嗎？
基本上不用。AppleScript 那段可以請 AI 幫你寫。最簡單的方式是：直接把檔案丟給 AI，請它分析。
Q: AI 的健康分析準確嗎？
AI 很擅長「看趨勢」和「找異常」，但不能取代醫生的診斷。我把它當作「第一道篩選」——幫我整理資料、指出可能的問題，然後帶著這些資訊去看醫生。
延伸閱讀
- PostgreSQL 作為 AI 記憶庫：為什麼我選它而不是專用 Vector DB — 如果你想把健康資料長期儲存並做更複雜的分析
- 企業級地端 LLM 架構完整藍圖 — 如果你想在本地跑 AI 處理敏感資料